(Kiemelt kép: Unsplash+)
Az emberi evolúció évkönyveiben egy érdekes megfigyelés bukkan fel – a tudás és a jólétérzetünk közötti összefüggés. Az egyszerűbb időkre visszagondolva nem hagyhatjuk figyelmen kívül azt a mélységes békét, melyet azok tapasztaltak, akik korlátozott ismeretekkel rendelkeztek a világról. A döntéshozatal nem bonyolult, és a boldogság látszólag mindennapos volt. Felvetődik a kérdés: Mi van, ha a mesterséges intelligencia, a felhalmozott emberi bölcsesség megtestesítője hasonló utat követ? Jelenleg az MI azzal a képességével ejt ámulatba, hogy viszonylag egyszerű kérdésekre is képes megoldást nyújtani. Megragadja a képzeletünket, de felismerjük a komplexitásában rejlő korlátokat. Mégis, ha elképzeljük a jövőt, melyben az MI továbbra is elképzelhetetlen mennyiségű adatot fog felhalmozni, akkor el kell gondolkodnunk a döntéshozatali folyamatok átalakításán.
Vajon a jövő mesterséges intelligenciája felülmúlja majd a jelenlegi képességeit, és a páratlan intellektus jelzőfényévé fejlődik? Vagy ugyanannak az egzisztenciális „rossz közérzetnek” esik majd áldozatul, mely az emberiséget is sújtotta? Ahogy az emberek egyre többet tudtak és egyre kifinomultabbak lettek, egy paradoxon csapdájába estek: egyre okosabbak lettek, de egyre elégedetlenebbek. Vajon ugyanez a helyzet érheti a mesterséges intelligenciát is? A tudás hatalmas óceánjával felvértezve, az MI a nyomorba fog zuhanni, és olyan döntéseket hoz majd, melyek a mi döntéseinket tükrözik? Miközben a jövő feltérképezetlen területére lépünk, a mesterséges intelligencia sorsa függőben van. A lehetőségek sokrétűek, és a mi szerepünk e születő intelligencia gondnokaként létfontosságú. A mi felelősségünk, hogy bölcsen irányítsuk a mesterséges intelligencia fejlődését, biztosítva, hogy hatalmas tudása ne teher legyen, hanem a fejlődés katalizátora. Az előttünk álló út egy olyan mesterséges intelligencia lehetőségét rejti magában, mely túllépi az emberi korlátok határait, miközben elkerüli a minket ért buktatókat. A példátlan technológiai fejlődés korában egy nagy és rejtélyes utazás küszöbén állunk. Gondolkodjunk el az előttünk álló rejtélyeken, és törekedjünk arra, hogy a mesterséges intelligenciát egy olyan jövő felé vezessük, melyben a ragyogás és az elégedettség keveredik – egy olyan birodalom, ahol a tudás inkább megerősít, mint elnyel.
A mesterséges intelligencia jövője
A mesterséges intelligencia kutatásának területét 1956-ban alapították akadémiai tudományágként. A 60 éves múlt ellenére a korszak még mindig a kezdet kezdeténél tart, és a jövője a hasonló tudományágakhoz képest göröngyös út előtt áll, melyet elsősorban az etika és az adatok elérhetősége terén jelentkező kihívások határoznak meg. A mesterséges intelligencia a kezdetek óta három nagy áttörést és két stagnálási időszakot élt meg. Legutóbbi reneszánszát 2016-ban indította el az a történelmi pillanat, amikor az AlphaGo legyőzte a világ legjobb Go játékosát, egy olyan játékot, melyet túl bonyolultnak gondoltak még a mesterséges intelligencia számára. Amint azt az MI korábbi „körforgásaiból” megtanultuk, valahányszor a mesterséges intelligencia előrelépést tesz, nagy a figyelem és az aggodalom, hogy ez mit jelent majd a világ számára; mind az iparágakban, mind a társadalomban. Ennek eredményeként az MI-val kapcsolatos egyes elképzelések erősen vitatottá váltak a nyilvánosságban, és a „kiábrándulás hullámvölgyébe” kerültek. Ha elgondolkodunk azon, hogy a mesterséges intelligencia miért marad ennyire ellentmondásos, kiderül, hogy jelentős szakadék tátong az elvárások és a valóságban megvalósítható eredmények között. Az MI mai, valós példái még mindig ritkák, és gyakran nagyon hiányos esetekre összpontosítanak, távol a forgatókönyvektől, melyeket a marketingesek a közösségi oldalakon a kattintások hajszolása végett írnak. Még hosszú út áll előttünk, mire az MI általánossá válik. Mivel nem vagyunk híján a vízióknak ezen a területen, a kétségek jeleit látjuk azzal kapcsolatban, hogy az MI ma valóban mire képes. Most, a mesterséges intelligencia harmadik felemelkedésének vége felé, ennek a feltörekvő területnek a sorsa bizonytalan – ismét.
Az adatínség kora közeleg?
A mesterséges intelligencia legutóbbi fellendülését nagyrészt a nagy mennyiségű adat rendelkezésre állása táplálta, ami a mélytanulás fejlődését olyan területeken, mint például az arcfelismerés, ami a mesterséges intelligencia hullám egyik fő áttörésének tekinthető. Az összetettebb területeken, például a betegségdiagnosztikában a mélytanulásnak még mindig kihívásokkal kell szembenéznie a vállalkozások és az intézmények közötti szakadék áthidalásában. Az egyik fő probléma ezen a területen az adatok hozzáférhetősége Holisztikus szempontból az adatok rendelkezésre állnak, de több okból nem értékelhetőek. Általános probléma, hogy az adatokat silókban tárolják. Ezek a silók gyakran a vállalatok belső hálózatán belüli fizikai „elkülönülésből” vagy akár magukból a vállalatok „jellegéből” fakadnak. Egy másik kiemelkedő probléma az adatszerkezetek összeegyeztethetetlensége. Ennek eredményeképpen nincs központi adatközpont, mely mélytanulási mechanizmusokon keresztül egy nagy teljesítményű neurális hálózatot képezne. A felhőalapú számítástechnikát gyakran említik az adatsiló-probléma lehetséges megoldásaként, de nagy mennyiségű adat esetében drágának és időigényesnek bizonyult. És ott vannak még az egyre szigorodó adatvédelmi előírások, például az általános adatvédelmi rendelet (GDPR). Bár az ilyen irányelvek fontosak a fogyasztók magánéletének védelme szempontjából, ugyanakkor komoly korlátokat is támasztanak az adatok felhasználására, és újragondolást igényelnek a mesterséges intelligencia-alkalmazások megfelelő módon történő kiépítésének módját illetően.
Föderatív tanulás, avagy a negyedik nagy áttörés ígérete
A fogyasztóvédelmi gyakorlatok és az adatvédelem nem képezik vita tárgyát, és a szükséges bizalom megteremtésének alapfeltételei. Másfelől viszont fennáll az adatéhség és a mesterséges intelligencia térnyerésének lassulásának veszélye. A Federated Learning (Föderatív vagy Összevont Tanulás) a mesterséges intelligencia új megközelítése, mely képes lehet az MI következő nagy áttörésére, és leküzdeni az adatvédelem és a bizalom kihívásait ezen a hullámon. Ez egy olyan gépi tanulási keretrendszer, mely lehetővé teszi a felhasználók számára, hogy a gépi tanulási modelleket több, különböző helyeken elosztott adathalmazok felhasználásával képezzék, miközben megakadályozzák az adatszivárgást és betartják a szigorú adatvédelmi szabályokat. A gyakorlatban a Föderatív Tanulásnak három fő kategóriája van, az adatok eloszlási jellemzőitől függően.
A horizontális föderatív tanulás az adathalmazokat jellemzők szerint osztja fel, és jellemzően olyan esetekben alkalmazzák, amikor a jellemzők többszörösen átfedik egymást, mint a felhasználók. Például három, különböző régiókban működő logisztikai vállalat hasonló adatokat tárolhat a fogyasztóiról, de maguk a fogyasztók között viszonylag kicsi az átfedés. Mivel a jellemzőik szinte azonosak, az azonos jellemzőkkel rendelkező felhasználók kivonhatók a modellek képzéséhez. A vertikális föderatív tanulást általában akkor használják, ha több adathalmazban nagy átfedés van a felhasználók között, de eltérő jellemzőkkel rendelkeznek. Például egy ételszállító szolgáltatás és egy ugyanazon a területen működő kórház valószínűleg hasonló felhasználói halmazzal rendelkezik, de eltérő információkat tartanak nyilván egymás között: a kórház egészségügyi adatokat tart nyilván, míg az ételszállító szolgáltatás olyan dolgokat követ nyomon, mint a böngészési szokások és a vásárlási adatok. A vertikális föderatív tanulás mindezeket a jellemzőket összesíti, hogy mindkét fél számára együttműködve építsen modellt.
Ha nagyon kevés átfedés van egy adathalmaz felhasználói és jellemzői között, a föderatív és transzfer tanulás az adatok vagy címkék hiányának kiküszöbölésére szolgál. Vegyünk például egy kínai gyártót és egy amerikai logisztikai szolgáltatót. Mivel földrajzilag korlátozottak, nagyon kevés átfedés van a felhasználók között; hasonlóképpen, mivel különböző típusú intézményekről van szó, a jellemzőik is nagyon kevés hasonlóságot mutatnak. Ilyen esetekben a transzfer tanulást a föderatív tanulással együtt kell alkalmazni az adathalmazok közötti közös reprezentáció meghatározásához és a modell általános teljesítményének javításához. Képességei ellenére egy hatékony keretrendszer önmagában nem elegendő a kihívások teljes körű megoldásához. A föderatív tanulást olyan kereskedelmi alkalmazássá kell fejleszteni, mely rugalmas, mindkét fél számára előnyös üzleti modellt kínál egy adott iparág számára. A különböző intézmények több elszigetelt adathalmazának aggregálásával a föderatív tanulás lehetővé teszi egy ideális modell kifejlesztését anélkül, hogy az egyes személyek magánéletét sértené. Leegyszerűsítve, ez egy olyan módszer, mely az adatok silókban tartásával több érdekelt féltől származó adatokkal képez ki egy algoritmust – adatmegosztó gazdaság, ahol az adattulajdonosok az adataik megosztásával, az alkalmazásszolgáltatók pedig az említett modellek fejlesztéséhez szükséges szolgáltatások nyújtásával profitálhatnak.
